Responsable de màrqueting
Els nivells de memòria d'estil OS de MemGPT impulsen la precisió de xat multi-sessió de GPT-4 fins al 92.5% enfront del 32.1% de context fix — necessari per a agents de comptabilitat plurianuals.
Les interfícies agent-ordinador de SWE-agent van elevar GPT-4 Turbo de la consola bruta al 12,47% a SWE-bench, un guany de 10,7 punts només pel disseny de la interfície.
SWE-bench prova els models amb 2.294 problemes reals de GitHub; Claude 2 en resolia només l'1,96%. Els límits de recuperació i longitud dels pegats marquen els agents.
CodeAct substitueix les crides d'eines JSON per Python executable, elevant l'èxit de l'agent GPT-4 en ~20 punts i reduint els torns un 30%.
Huang et al. (ICLR 2024): l'auto-correcció intrínseca redueix GPT-4 del 95,5% al 91,5% en GSM8K—els agents de llibre major necessiten validadors externs, no auto-revisió.
Tree of Thoughts arriba al 74% en Game of 24 on la cadena de pensament de GPT-4 obté el 4%, cercant i retrocedint passos: un patró que els agents financers poden adoptar.
CRITIC millora el QA de domini obert en 7.7 F1 i redueix la toxicitat un 79.2% verificant les revisions del LLM contra eines externes, no contra si mateix.
Reflexion assoleix el 91% a HumanEval amb GPT-4 sense actualitzacions de pesos, però falla a WebShop. El reforç verbal necessita un senyal avaluador clar.
L'autoconsistència vota per majoria molts camins de raonament mostrejats en lloc d'una sola descodificació voraç, afegint 17.9 punts a GSM8K sense entrenament extra.
PAL guanya +38,1pp sobre chain-of-thought en GSM-hard executant Python per a l'aritmètica: la divisió correcta per a càlculs fiables de comptabilitat amb Beancount.
Quatre benchmarks mostren GPT-4 al 42% en QA de taules reals davant el 86% humà, i al 19.6% en agregacions complexes: els agents financers necessiten taules netes.
La IA constitucional canvia les dades de danys etiquetades a mà per retroalimentació de la IA: els agents comptables apliquen regles del llibre sense un revisor per transacció.
